结合深度学习与改进的极限学习机的集成学习胸腺瘤CT图像预测方法

针对胸腺瘤患者术前危险程度的预测问题,提出了结合深度学习与改进的极限学习机的集成学习计算机辅助分析方法。首先,将胸腺瘤CT图像通过小波多尺度变换到不同的尺度下并计算小波能量图,以增加图像信息的丰富性和多样性;其次,利用小波能量图训练卷积神经网络模型,并利用卷积核提取小波能量图中与任务相关的特异性深度特征;最后,基于改进的极限学习机为基分类器训练具有差异性的子模型并构建集成学习分类模型,以提高模型的稳定性和预测精度。多中心实验结果表明,所提方法有较好的泛化性能和稳定性,3个验证集的AUC分别为0.833,0.771,0.784。

自适应迁移鲁棒特征的个性化联邦医学图像分类

目的针对联邦学习中多中心医学数据的异质性特征导致全局模型性能不佳的问题,提出一种基于特征迁移的自适应个性化联邦学习算法(adaptive personalized federated learning via feature transfer,APFFT)。方法首先,为降低全局模型中异质性特征信息影响,提出鲁棒特征选择网络(robust feature selection network,RFS-Net)构建个性化本地模型。RFS-Net通过学习两个迁移权重分别确定全局模型向本地模型迁移时的有效特征以及特征迁移的目的地,并构建基于迁移权重的迁移损失函数以加强本地模型对全局模型中有效特征的注意力,从而构建个性化本地模型。然后,为过滤各本地模型中异质性特征信息,利用自适应聚合网络(adaptive aggregation network,AANet)聚合全局模型。AA-Net基于全局模型交叉熵变化更新迁移权重并构建聚合损失,使各本地模型向全局模型迁移鲁棒特征,提高全局模型的特征表达能力。结果在3种医学图像分类任务上与4种现有方法进行比较实验,在肺结核肺腺癌分类任务中,各中心曲线下面积(area under the curve,AUC)分别为0.7915,0.7981,0.7600,0.7057和0.8069;在乳腺癌组织学图像分类任务中,各中心准确率分别为0.9849、0.9808、0.9835、0.9826和0.9834;在肺结节良恶性分类任务中,各中心AUC分别为0.8097,0.8498,0.7848和0.7923。结论所提出的联邦学习方法,降低了多中心的异质性特征影响,实现基于鲁棒特征的个性化本地模型自适应构建和全局模型自适应聚合,模型性能有较大提升。

联合特征子空间下Wasserstein距离对齐的胃CT图像识别

为提高小样本下胃肿瘤的辅助诊断性能,结合临床实践,研究联合特征子空间下Wasserstein距离对齐的胃CT图像识别方法。首先,为减少源域特征和目标域特征之间的差异,进行有效迁移,利用主成分分析(Principal Component Analysis, PCA)法寻找子空间的线性变换基向量,构建联合特征子空间,实现数据全局均值和协方差的对齐;然后,采用基于最优传输理论的Wasserstein距离算法进一步衡量子空间内正负标签数据特征之间的分布距离,增加正负标签数据特征之间的区分度,实现细粒度迁移;最后,针对传统极限学习机算法容易过拟合且稳定性差的问题,使用L_1范数正则化对输出权重矩阵进行稀疏约束,提高模型鲁棒性,实现迁移特征的有效分类。实验结果表明,该方法在内部测试集的AUC为0.891,外部测试集的AUC为0.897,一定程度上可为医生提供较好的诊断参考,具有现实意义。

基于自适应聚合权重联邦学习的肺结节CT图像分类

针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题(Non-IID),提出了一种基于自适应聚合权重的联邦学习算法(FedAaw)。在全局模型聚合过程中,提出准确率阈值来筛选出本地模型,并由中心服务器采用筛选后模型的准确率计算相应的聚合权重,从而对全局模型进行聚合,使得分类性能较佳的模型参与全局模型的构建,以达到缓解多中心数据Non-IID的问题。同时,为提高模型挖掘图像长短距离信息之间的能力,在本地和全局模型中引入多头自注意力(MHSA)机制。此外,为缓解端对端的冗余特征造成的模型过拟合问题,提取全局模型中卷积核的特征,并采用基于L1范数的稀疏贝叶斯极限学习机(SBELML_(1))的集成学习方法完成各中心数据的特征分类。最后,通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1(0.7947~0.8037)、中心2(0.8105~0.8405)、中心3(0.6768~0.7758)、中心4(0.8496~0.9063)、中心5(0.8913~0.9348),该结果表明:FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。